Does insulin resistance influence neurodegeneration in non-diabetic Alzheimer’s subjects?
Notice bibliographique
Résumé
BACKGROUND: Type 2 diabetes is a risk factor for Alzheimer's disease (AD), and AD brain shows impaired insulin signalling. The role of peripheral insulin resistance on AD aetiopathogenesis in non-diabetic patients is still debated. Here we evaluated the influence of insulin resistance on brain glucose metabolism, grey matter volume and white matter lesions (WMLs) in non-diabetic AD subjects. METHODS: In total, 130 non-diabetic AD subjects underwent MRI and [18F]FDG PET scans with arterial cannula insertion for radioactivity measurement. T1 Volumetric and FLAIR sequences were acquired on a 3-T MRI scanner. These subjects also had measurement of glucose and insulin levels after a 4-h fast on the same day of the scan. Insulin resistance was calculated by the updated homeostatic model assessment (HOMA2). For [18F]FDG analysis, cerebral glucose metabolic rate (rCMRGlc) parametric images were generated using spectral analysis with arterial plasma input function. RESULTS: In this non-diabetic AD population, HOMA2 was negatively associated with hippocampal rCMRGlc, along with total grey matter volumes. No significant correlation was observed between HOMA2, hippocampal volume and WMLs. CONCLUSIONS: In non-diabetic AD, peripheral insulin resistance is independently associated with reduced hippocampal glucose metabolism and with lower grey matter volume, suggesting that peripheral insulin resistance might influence AD pathology by its action on cerebral glucose metabolism and on neurodegeneration.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».